基于多个网络的智能系统,用于精确的卵巢瘤语义细分
Mohamed El-Khatib1, Dan Popescu1, Oana Teodor1
1National University of Science and Technology POLITEHNICA Bucharest, Bucharest, Romania.
Heliyon
|September 19, 2024
概括
这项研究引入了用于卵巢瘤诊断的先进深度学习系统. 结合多个卷积神经网络显著提高了诊断准确性,有助于早期检测和患者生存率.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 深度学习用于瘤学.
背景情况:
- 卵巢瘤,特别是恶性瘤,是全球日益严重的健康问题.
- 准确和早期诊断对于有效的治疗和改善生存率至关重要.
- 现有的诊断系统需要加强,以提高效率和精度.
研究的目的:
- 通过结合卷积神经网络 (CNN) 来开发一个更准确的卵巢瘤诊断系统.
- 调查集体深度学习模型的定制组合和选择方法.
- 评估是否结合所有网络或仅仅是表现最好的网络,可以获得优异的结果.
主要方法:
- 使用了五个DeepLab-V3+网络与各种编码器 (ResNet-18,ResNet-50,MobileNet-V2,InceptionResNet-V2,Xception) 进行了使用.
- 开发了一个自定义算法,用于组合多个语义细分网络.
- 实施了一种代选择方法,以优化整体模型组成.
主要成果:
- 拟议的整体系统在卵巢瘤语义细分方面实现了91.18%的交叉与联盟 (IoU).
- 综合网络方法的表现优于研究中使用的所有单个网络.
- 该系统在良性和恶性卵巢瘤类型中表现出有效性.
结论:
- 组合深度学习模型,通过定制组合和选择,可以显著提高卵巢瘤诊断的准确性.
- 开发的系统为检测卵巢瘤的医疗支持提供了有希望的进步.
- 未来的工作可以探索整合更强大的深度学习模型,以进一步提高性能.
